Google и Seagate объявили о создании новой модели машинного обучения, которая позволяет рассчитывать прогноз вероятности выхода из строя жесткого диска. В основе нового прогноза используются те же признаки, которые были введены и систематизированы в рамках давно принятой технологической системой самоконтроля, анализа и отчетности, получившей название S.M.A.R.T.
Еще в 2016 г. в блоге Backblaze при обсуждении системы атрибутов S.M.A.R.T. для жестких дисков, было заявлено, что эти параметры несут ценную дополнительную информацию о масштабах нарастания проблемы выхода жесткого диска из строя. Было заявлена, что ее оценка может служить достоверным источником для прогнозирования проблемы.

В том же 2016 году компания Backblaze предложила отслеживать пять атрибутов S.M.A.R.T. для прогнозирования сбоев HD. Компании удалось выявить атрибуты — SMART 5 (Reallocated Sectors Count), SMART 187 (Reported UNC Errors), SMART 188 (Command Timeout), SMART 197 (Current Pending Sector Count) и SMART 198 (Uncorrectable Sector Count) — которые хорошо коррелируются с отказом диска. Как показали результаты исследования, 76,7% вышедших из строя жестких дисков имели хотя бы один сбой по любому из этих пяти атрибутов SMART. В то же время только 4,2% среди работающих жестких дисков сами сообщили заранее об отказе по одному или нескольким из этих пяти атрибутов. Найти высокую корреляцию между этими признаками оказалось тогда непростой задачей.
Эту задачу удалось решить Google и Seagate. Они собрали вместе огромный объем данных S.M.A.R.T. и подробную информацию об условиях практической эксплуатации дисков в хост-системах, в том числе отражаемую в журналах жестких дисков (OVD и FARM), а также связанную с номерами производственных партий.
Со слов Google, исследователям удалось оценить эффективность двух подходов в оценке прогноза сбоя: классификатор AutoML Tables и пользовательская модель «deep Transformer-based». Модель AutoML показала более высокие результаты: «точность» (precision) 98% и «запоминаемость» (reсall) 35%.
Как сообщает Google в своем блоге, новая ИИ-модель позволяет определить основные причины отказов дисков, «позволяя наземным группам предпринимать упреждающие действия по сокращению сбоев в работе до того, как они произойдут».
Google пока не предоставила дополнительной контекстной информации о том, какой уровень «запоминаемости» необходим, достаточно ли 35% или необходимо выше, чтобы получить достоверный прогноз. Текст сообщения заканчивается словами: «У нас уже есть дальнейшие планы по расширению системы для поддержки всех накопителей Seagate».
Ранее редакция THG.ru опубликовала обзор Gigabyte AORUS Gen4 7000s 1TB. Линейка твердотельных накопителей Gigabyte AORUS Gen4 7000s включает в себя две модели ёмкостью 1 и 2 Тбайт. Оба накопителя оснащаются массивным радиатором. При этом даже младшая модель, по заявлениям производителя, способна достигать огромной скорости последовательного чтения в 7000 Мбайт/с. Впечатляют и другие характеристики этих SSD. Подробнее об этом читайте в статье «Обзор Gigabyte AORUS Gen4 7000s 1TB: сверхбыстрый SSD на свежем контроллере Phison».




Комментарии